WebAI.js：一个简单的网页前端部署工具_陕西然坤悦科技有限公司

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 行业资讯

WebAI.js：一个简单的网页前端部署工具

2025-07-17

浏览次数：次

返回列表

WebAI.js 是基于 OpenCV.js 和 ONNXRuntime 的 Web 前端 AI 模型部署工具，支持 HTML 和 node.js 调用，可部署目标检测、图像分类、图像分割等 CV 模型，兼容 Paddle 系列套件部分模型，提供模型加载与推理 API 及使用示例。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

webai.js：一个简单的网页前端部署工具 -

1. 简介

WebAI.js 是一个基于 OpenCV.js 和 ONNXRuntime 开发的一个 Web 前端 AI 模型部署工具
Github: AgentMaker/WebAI.js
可通过在线体验网站 Hello WebAI.js 进行快速的体验试用
PS. 因为 AIStudio 不太好使用 J*aScript 和部署网络服务，所以本项目仅包含文档介绍不包含任何可运行代码，如需使用请在本地进行调试运行

2. 特性

WebAI.js 支持 HTML script 标签引入和 node.js 两种方式进行使用
目前支持目标检测 (Yolo / ssd / ...)、图像分类 (MobileNet / EfficientNet / ...)、图像分割(BiseNet / PPSeg / ...) 三类 CV 模型
目前支持 PaddleDetection / PaddleClas / PaddleSeg 三个套件部分导出模型的部署

3. 安装

HTML script 标签引入

<!-- 最新版本 --><script src='https://cdn.jsdelivr.net/npm/webai-js/dist/webai.min.js'></script><!-- 1.1.4 版本 --><script src='https://cdn.jsdelivr.net/npm/webai-js@1.1.4/dist/webai.min.js'></script>

Npm 安装
```
$ npm install webai-js
```

4. 模型

WebAI.js 使用 ONNX 模型进行模型推理，通过配置文件对模型的预处理进行配置
一个常规的模型包含如下两个文件: model.onnx / configs.json

其中 model.onnx 为模型文件，记录了模型的计算图和每层的参数，configs.json 为配置文件，记录了模型预处理的一些配置，如下为一个配置文件的具体内容：

{    "Preprocess": [
        {            "type": "Decode", // 图像解码
            "mode": "RGB" // RGB 或 BGR
        },
        {            "type": "Resize", //  图像缩放
            "interp": 1, // 插值方式
            "keep_ratio": false, // 保持长宽比
            "limit_max": false, // 限制图片尺寸
            "target_size": [300, 300] // 目标尺寸
            
        },
        {            "type": "Normalize", // 归一化
            "is_scale": false, // 是否缩放 (img /= 255.0)
            "mean": [127.5, 127.5, 127.5], // 均值
            "std": [127.5, 127.5, 127.5] // 标准差
        },
        {            "type": "Permute" // 转置 (HWC -> CHW)
        }
    ],    "label_list": [        "aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", 
        "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", 
        "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"
    ] // 标签列表}

项目中提供了多个已经过测试的预训练模型文件，具体文件位于 ./docs/pretrained_models 目录，也可在在线体验网页 Hello WebAI.js 中快速试用如下的模型，以下模型均来自 PaddleDetection / PaddleClas / PaddleSeg 提供预训练模型，具体的导出教程和兼容性表格将很快更新，更多其他套件、工具链的兼容适配也在稳步进行

Model	Type	Source
BlazeFace_1000e	Detection	PaddleDetection
PPYOLO_tiny_650e_coco	Detection	PaddleDetection
SSD_mobilenet_v1_300_120e_voc	Detection	PaddleDetection
SSDLite_mobilenet_v3_small_320_coco	Detection	PaddleDetection
EfficientNetB0_imagenet	Classification	PaddleClas
MobileNetV3_small_x0_5_imagenet	Classification	PaddleClas
PPLCNet_x0_25_imagenet	Classification	PaddleClas
PPSEG_lite_portrait_398x224	Segmentation	PaddleSeg
STDC1_seg_voc12aug_512x512_40k	Segmentation	PaddleSeg
BiseNet_cityscapes_1024x1024_160k	Segmentation	PaddleSeg

5. API

模型加载

// Base model(async) WebAI.Model.create(modelURL, sessionOption = { logSeverityLevel: 4 }, init = null, preProcess = null, postProcess = null) -> model// Base CV model(async) WebAI.CV.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelCV// Detection model(async) WebAI.Det.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelDet// Classification model(async) WebAI.Cls.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelCls// Segmentation model(async) WebAI.Seg.create(modelURL, inferConfig, sessionOption = { logSeverityLevel: 4 }, getFeeds = null, postProcess = null) -> modelSeg

  modelURL(string): 模型链接/路径
  inferConfig(string): 模型配置文件链接/路径
  sessionOption(object): ONNXRuntime session 的配置
  getFeeds(function(imgTensor: ort.Tensor, imScaleX: number, imScaleY: number) => feeds:object): 自定义模型输入函数
  init(function(model: WebAI.Model) => void): 自定义模型初始化函数
  preProcess(function(...args) => feeds: object): 自定义模型预处理函数
  postProcess(function(resultsTensors: object, ...args) => result: any): 自定义模型后处理函数

模型推理

// Base model(async) model.infer(...args)// Base CV model(async) modelCV.infer(...args)// Detection model(async) modelDet.infer(imgRGBA, drawThreshold=0.5) ->  bboxes// Classification model(async) modelCls.infer(imgRGBA, topK=5) ->  probs// Segmentation model(async) modelSeg.infer(imgRGBA) ->  segResults

  // 注：目前只能实现 BatchSize=1 的模型推理

  imgRGBA(cv.Mat): 输入图像
  drawThreshold(number): 检测阈值
  topK(number): 返回置信度前 K (K>0) 个结果，如果 K<0 返回所有结果

  bboxes({
      label: string, // 标签
      score: number, // 置信度
      color: number[], // 颜色（RGBA）
      x1: number, // 左上角 x 坐标
      y1: number, // 左上角 y 坐标
      x2: number, // 右下角 x 坐标
      y2: number // 右下角 y 坐标
  }[]): 目标检测包围框结果
  probs({
      label: string, // 标签
      prob: number // 置信度
  }[]): 图像分类置信度结果
  segResults({
      gray: cv.Mat, // 最大值索引图像（Gray）
      colorRGBA: cv.Mat, // 伪彩色图（RGBA）
      colorMap: { // 调色板
          lable: string, // 标签
          color: number[] // 颜色（RGBA）
      }[]
  }): 图像分割结果

更多 API 请参考文档：API 参考
网奇英文商城外贸系统
网奇Eshop是一个带有国际化语言支持的系统，可以同时在一个页面上显示全球任何一种语言而没有任何障碍、任何乱码。在本系统中您可以发现，后台可以用任意一种语言对前台进行管理、录入而没有阻碍。而任何一个国家的浏览者也可以用他们的本国语言在你的网站上下订单、留言。用户可以通过后台随意设定软件语言，也就是说你可以用本软件开设简体中文、繁体中文与英文或者其他语言的网上商店。网奇Eshop系统全部版本都使用模
0 查看详情

6. 使用

以人脸检测模型为例，简单介绍如何使用 WebAI.js 在网页前端完成模型部署
作为演示，示例网页的搭建非常简单，只包含一个简单的 HTML 网页

编写网页

网页比较简单，其中只包含如下几个元素:
- 上传按钮：用于上传图像
- 画布：用于绘制结果图像
- 隐藏的图像：用于读取图像
- 两个 J*aScript 脚本：一个用于加载 WebAI.js，另一个用于实现网页的功能

具体的代码如下：

<!-- index.html --><!DOCTYPE html><html lang="en"><head>
    <meta charset="UTF-8" />
    <meta name="viewport" content="width=device-width, initial-scale=1.0" />
    <title>WebAI.js PaddleDet Example</title></head><body>
    <div>
        Image:        <!-- 上传按钮 -->
        <input type="file" accept="image/*" id="inputFile" disabled='true'>
    </div>
    <div>
        <!-- 图像元素 -->
        @@##@@

        <!-- 画布元素 -->
        <canvas id='canvasDom'></canvas>
    </div>

    <!-- 加载 WebAI.js -->
    <script src='https://cdn.jsdelivr.net/npm/webai-js/dist/webai.min.js'></script>

    <!-- 功能脚本 -->
    <script>
    // 获取各个网页元素
    const imgDom = document.getElementById('imgDom')    const canvasDom = document.getElementById('canvasDom')    const inputFile = document.getElementById('inputFile')    // 设置模型的路径
    const modelURL = './blazeface_1000e/model.onnx'
    const modelConfig = './blazeface_1000e/configs.json'

    // 当窗口加载完成时
    window.onload = async function (e) {        // 加载模型
        window.model = await WebAI.Det.create(modelURL, modelConfig)        // 启用图片上传按钮
        inputFile.disabled = false
    }    // 当上传的图像改变时
    inputFile.onchange = function (e) {        // 设置图像
        if (e.target.files[0]) {
            imgDom.src = URL.createObjectURL(e.target.files[0])
        }
    }    // 当图像完成加载时
    imgDom.onload = async function (e) {        // 读取图像
        let imgRGBA = cv.imread(imgDom)        // 获取检测结果
        let bboxes = await model.infer(imgRGBA)        // 绘制检测结果
        let imgShow = await WebAI.drawBBoxes(imgRGBA, bboxes)        // 显示结果图像
        cv.imshow(canvasDom, imgShow)        // 删除图像对象
        imgRGBA.delete()
        imgShow.delete()
    }    </script></body></html>

网页部署
1. 下载模型文件
2. 根据模型文件路径修改 HTML 代码，并将 HTML 代码保存为 index.html 文件
3. 在 index.html 所在目录使用如下命令可以快速启动一个服务器：
```
$ npx light-server -s . -p 8080
```
4. 通过浏览器访问网页：http://localhost:8080/ ，网页效果如下图所示：